💻 computer science

What Does It Take to Research with AI? A Rapid Review of Competencies to Train LLM-Literate Researchers

Deze snelle review van 40 geselecteerde artikelen identificeert acht essentiële competenties voor door LLM's geletterde onderzoekers, waarbij wordt benadrukt dat effectief en verantwoord AI-gebruik in de wetenschap meer rust op domeinexpertise, kritisch toezicht en ethische verantwoording dan op technische kennis alleen.

Oorspronkelijke auteurs: Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

Gepubliceerd 2026-07-20

📖 7 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Danilo Monteiro Ribeiro, Ronnie de Souza Santos, Rodrigo Siqueira, Breno Andrade, Rafael Batista Duarte, Gilberto Hida, Julia Alencar, Gustavo Pinto

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je de wereld van de wetenschap voor als een enorme, bruisende bibliotheek waar onderzoekers de bibliothecarissen zijn. Decennialang hebben deze bibliothecarissen een strikt regelboek gehad: ze moeten boeken zoeken, ze zorgvuldig lezen, de feiten controleren en hun eigen rapporten schrijven op basis van wat ze hebben geleerd. Maar onlangs is er een nieuwe, ongelooflijk snelle en praatgrage robotassistent gearriveerd in de bibliotheek. Deze robot, aangedreven door iets dat een "Large Language Model" (of LLM) wordt genoemd, kan in een seconde miljoenen boeken lezen, ze samenvatten, concepten schrijven en zelfs helpen bij het oplossen van complexe puzzels. Het is alsof je een superintelligente stagiair hebt die nooit slaapt.

Er zit echter een addertje onder het gras. Deze robot is een beetje een bedrieger. Soms vertelt hij de waarheid, maar op andere momenten verzint hij vol vertrouwen feiten (een fout die onderzoekers "hallucineren" noemen) of kopieert hij ideeën zonder er krediet aan te geven. Vanwege deze reden is de grote vraag niet alleen: "Kan de robot ons helpen?", maar: "Welke vaardigheden hebben de menselijke bibliothecarissen nodig om de robot in toom te houden?" Als de bibliothecarissen niet genoeg weten over de boeken die ze organiseren, kunnen ze de robot de hele rapportage laten schrijven, wat leidt tot een bibliotheek vol leugens. Dit artikel duikt precies in welke vaardigheden onderzoekers nodig hebben om deze AI-robots verantwoord te gebruiken zonder hun eigen verstand of de waarheid te verliezen.

De Grote AI-Detectivejacht

Een team van onderzoekers besloot detective te spelen om een brandende vraag te beantwoorden: Wat is er eigenlijk voor nodig om een onderzoeker te zijn die AI-tools effectief, kritisch en verantwoord gebruikt? Ze gokten niet zomaar; ze gingen op een snelle review-missie en scanden 194 artikelen gepubliceerd tussen 2022 en 2025. Uit deze berg papierwerk selecteerden ze zorgvuldig 40 artikelen die echte praktijkvoorbeelden lieten zien van mensen die AI in hun onderzoek gebruikten. Vervolgens gebruikten ze een combinatie van menselijke hersenen en een tweede AI-tool om deze artikelen door te spitten, op zoek naar de specifieke "superkrachten" of competenties die succesvolle onderzoekers blijkbaar bezaten.

Wat ze vonden, was een lijst van acht essentiële vaardigheden. Zie deze niet als computer programmeervaardigheden, maar als de mentale spieren die een onderzoeker moet trainen.

1. Het Deskundige Oog (Domeinkennis en Toezicht)
Dit was de meest voorkomende vaardigheid die in de studies werd gevonden, met 123 vermeldingen. Stel je de AI-robot voor als een zeer snelle, zeer zelfverzekerde gids die een beetje van alles weet, maar nergens een expert in is. Als jij het gebied zelf niet kent, geloof je de gids misschien wanneer hij naar een nepg waterval wijst en zegt: "Dat is de echte zaak!" Het artikel suggereert dat onderzoekers de echte experts in hun vakgebied moeten zijn. Ze moeten de onderwerpen zo goed kennen dat ze kunnen zien wanneer de AI liegt, bronnen verzint of een oppervlakkig antwoord geeft. De robot kan het zware werk doen, maar de mens moet degene zijn die zegt: "Wacht even, dat klinkt niet juist," en de feiten dubbelcheckt.

2. De Slimme Schakelaar (Metacognitie en Besluitvorming)
Deze vaardigheid, gevonden in 55 gevallen, gaat over weten wanneer je de robot gebruikt en wanneer je hem uitzet. Het is als beslissen of je een boormachine gebruikt om een schilderij op te hangen of gewoon een hamer gebruikt. De onderzoekers ontdekten dat de beste wetenschappers de AI niet het hele werk laten overnemen. Ze beslissen welke delen van het onderzoek veilig zijn voor de AI (zoals het ordenen van aantekeningen) en welke delen menselijk moeten blijven (zoals het trekken van de uiteindelijke conclusie). Het gaat erom de kapitein van het schip te zijn, niet slechts een passagier.

3. Het Morele Kompas (Ethiek, Privacy en Integriteit)
Met 53 vermeldingen gaat deze vaardigheid over eerlijk spelen. Het gebruik van AI gaat niet alleen over het krijgen van antwoorden; het gaat erom dat je het doet zonder te stelen, te liegen of geheimen te lekken. Onderzoekers moeten weten hoe ze privédata beschermen, hoe ze moeten toegeven wanneer ze een robot hebben gebruikt om een deel van hun paper te schrijven, en hoe ze ervoor zorgen dat ze niet per ongeluk plagiaat plegen. Het is het verschil tussen een rekenmachine gebruiken om wiskunde te maken en valsspelen bij een toets door iemand anders het werk voor je te laten doen.

4. De Kunst van het Vragen (Prompt Engineering)
Dit kwam 38 keer voor. Als je een robot een vage vraag stelt zoals "Vertel me over wetenschap," krijg je een vaag, saai antwoord. Maar als je vraagt: "Leg de relativiteitstheorie uit aan een 12-jarige met behulp van een pizza-analogie," dan krijg je iets geweldigs. Deze vaardigheid gaat over leren hoe je met de AI praat. Het is als een regisseur die instructies geeft aan een acteur; hoe beter jouw script (de prompt), hoe beter de prestatie. Onderzoekers ontdekten dat het herhaaldelijk verfijnen van deze vragen essentieel is om nuttige resultaten te krijgen.

5. Het Papierenspoor (Reproduceerbaarheid en Verslaglegging)
Dit kwam 29 keer voor en gaat over het bijhouden van een dagboek. Als je een AI-tool gebruikt om je te helpen informatie te vinden, moet je precies opschrijven wat je hebt gevraagd, welke versie van de tool je hebt gebruikt en hoe je het werk hebt gecontroleerd. Waarom? Zodat als iemand anders jouw experiment wil herhalen, diegene precies kan zien hoe je het hebt gedaan. Het is als het achterlaten van een kruimelpad, zodat niemand verdwaalt in het bos van jouw onderzoek.

6. De Blauwdruk Bouwer (Methodologische en Experimentele Opzet)
Deze vaardigheid, 20 keer genoemd, gaat over het plannen van het hele project voordat je de AI überhaupt aanzet. Het is als een architect die een bouwplan tekent voordat er ook maar één baksteen wordt gelegd. Onderzoekers moeten hun studies zo ontwerpen dat de AI er goed in past zonder de structuur te brekken. Ze moeten hun doelen en grenzen duidelijk definiëren, zodat de robot niet afdwaalt en een huis op een moeras bouwt.

7. De Tech-Vertaler (AI-geletterdheid en Technische Kennis)
Interessant genoeg werd dit minder vaak genoemd (slechts 16 keer) en werd het aangemerkt als een risico als het ontbrak. Dit betekent niet dat onderzoekers software engineers moeten zijn die AI vanaf nul kunnen bouwen. In plaats daarvan moeten ze begrijpen hoe de robot denkt, wat de beperkingen zijn en wat voor soort fouten hij de neiging heeft te maken. Het is als weten dat een auto benzine en remmen nodig heeft, zelfs als je niet weet hoe je de motor bouwt. Zonder dit basisbegrip vertrouw je de auto misschien om zelf te rijden terwijl hij eigenlijk kapot is.

8. De Data-Detective (Data-analyse en Interpretatie)
Gevonden in slechts 7 gevallen, gaat dit over het gebruiken van de AI om te helpen bij het verwerken van getallen of het vinden van patronen in data. Maar het artikel is duidelijk: de mens moet nog steeds degene zijn die interpreteert wat die getallen betekenen. De AI kan een patroon vinden, maar de mens moet beslissen of dat patroon belangrijk is of slechts een toevalstreffer.

Het Grotere Plaatje

De auteurs suggereren dat het gebruiken van AI in onderzoek niet alleen gaat over het leren van een nieuw hulpmiddel; het gaat over het worden van een betere, meer kritische denker. De belangrijkste les is dat de mens nog steeds de baas is. De AI is een krachtige assistent, maar het kan de noodzaak voor menselijk oordeel, expertise en verantwoordelijkheid niet vervangen. Als een onderzoeker niet over het "Deskundige Oog" of het "Morele Kompas" beschikt, kan de AI hen het verkeerde pad op sturen.

Het artikel concludeert dat scholen en opleidingsprogramma's deze acht vaardigheden samen moeten onderwijzen. Het is niet genoeg om studenten alleen te laten zien hoe ze een prompt typen; ze moeten ook leren hoe ze de antwoorden in twijfel trekken, hoe ze ethisch blijven en hoe ze de mens in de loop houden. In een wereld waarin robots essays kunnen schrijven en data kunnen analyseren, is de meest waardevolle vaardigheid die een onderzoeker kan hebben de wijsheid om te weten wanneer hij de robot moet vertrouwen en wanneer hij zijn eigen brein moet vertrouwen.

Technische Samenvatting: Competenties voor LLM-geletterde Onderzoekers

Probleemstelling
De snelle integratie van Large Language Models (LLM's) in het wetenschappelijk onderzoek heeft een kritieke kloof gecreëerd in het begrip van de specifieke competenties die onderzoekers en promovendi nodig hebben om deze instrumenten effectief, kritisch en verantwoordelijk te gebruiken. Hoewel de bestaande literatuur AI-geletterdheid, onderzoeksintegriteit en prompt engineering in isolatie behandelt, ontbreekt een geconsolideerd bewijs met betrekking tot de intersectie van deze domeinen binnen de onderzoekslevenscyclus. Specifiek blijft het onduidelijk hoe traditionele onderzoekscompetenties (bijv. methodologische strengheid, ethisch handelen) samenkomen met nieuwe AI-specifieke vaardigheden om de productie van betrouwbare kennis in AI-ondersteunde omgevingen te waarborgen.

Methodologie
De auteurs hebben een rapid review uitgevoerd van de literatuur gepubliceerd tussen 2022 en 2025 om de vereiste competenties te identificeren en te consolideren. De studie volgde een vierfasenproces:

Identificatie van studies: 194 artikelen werden opgehaald via Elicit (met behulp van AI-gestuurde semantische zoekopdrachten) en Google Scholar (de eerste 10 pagina's van de resultaten). De auteurs gaven prioriteit aan tijdige retrieval boven volledige dekking, waarbij zij voor deze bronnen kozen boven gecureerde databases zoals Scopus of IEEE Xplore.
Selectie van studies: Twee onafhankelijke groepen onderzoekers screenden titels en abstracts, gevolgd door een analyse van de volledige tekst, gebaseerd op vijf inclusiecriteria (bijv. documentatie van wetenschappelijke onderzoekspraktijken gemedieerd door generatieve AI, publicatie tussen 2022–2025). Dit proces leverde 40 artikelen op voor uiteindelijke data-extractie. De inter-rater betrouwbaarheid werd beoordeeld met Gwet's AC1 (0,76–0,83), wat duidt op substantiële tot bijna perfecte overeenstemming.
Data-extractie en analyse: De auteurs hanteerden een duale thematische analysebenadering:
- Handmatige analyse: 40 artikelen werden geanalyseerd om 147 competentie-instanties te extraheren, die iteratief werden gecodeerd in 26 codes en geconsolideerd in 7 thema's.
- AI-gestuurde analyse: Een LLM analyseerde onafhankelijk 17 artikelen (geselecteerd via een parallel validatieproces) om 199 voorkomens te extraheren en 9 thema's te genereren.
- Synthese: Onderzoekers voegden de handmatige en door AI gegenereerde thema's samen op basis van conceptuele equivalentie, wat resulteerde in 8 geconsolideerde competenties.
Bedreigingen voor de validiteit: De auteurs erkennen beperkingen, waaronder de uitsluiting van peer-reviewed databases (wat de dekking potentieel vermindert), het kwalitatieve karakter van de codering, en het feit dat frequentietellingen ( $\Sigma n$ ) relatieve salientie vertegenwoordigen in plaats van een exacte prevalentie vanwege de niet-gededupliceerde pooling van handmatige en AI-analyses.

Belangrijkste Bijdragen
Het artikel levert drie primaire bijdragen:

Synthese van empirisch bewijs: Het consolideert hoe LLM's momenteel worden gebruikt over de gehele onderzoekslevenscyclus, van literatuurverkenning tot data-analyse.
Competentiekader: Het identificeert en definieert acht specifieke competenties die vereist zijn voor AI-ondersteund onderzoek, waarbij verder wordt gekeken dan technische instructie door ook epistemische, ethische en methodologische dimensies op te nemen.
Implicaties voor onderwijs en praktijk: Het biedt een fundament voor het ontwerpen van promotieprogramma's en AI-geletterdheidsinitiatieven die onderzoekers voorbereiden op verantwoorde AI-integratie.

Resultaten: Acht Geïdentificeerde Competenties
De analyse identificeerde acht competenties, gerangschikt naar hun prevalentie in de literatuur ( $\Sigma n$ ):

Domeinexpertise en toezicht op AI-outputs ( $\Sigma n = 123$ ): De meest voorkomende competentie. Het omvat het vermogen om AI-gegenereerde inhoud kritisch te beoordelen, bronnen te verifiëren, hallucinaties te detecteren en de uiteindelijke verantwoordelijkheid voor onderzoeksconclusies te behouden. De literatuur benadrukt dat domeinkennis een vereiste is voor betekenisvolle kritische evaluatie.
Metacognitie en besluitvorming omtrent AI-gebruik ( $\Sigma n = 55$ ): Het vermogen om te bepalen wanneer, waar en hoe AI wordt ingezet. Dit omvat het beoordelen van de geschiktheid van taken, het behouden van menselijke controle (human-in-the-loop) en het beslissen welke taken directe menselijke expertise vereisen versus AI-augmentatie.
Ethiek, privacy en academische integriteit ( $\Sigma n = 53$ ): Omvat verantwoord databeheer, transparantie over AI-betrokkenheid, correcte attributie, preventie van plagiaat en bewustzijn van juridische/maatschappelijke implicaties gedurende het gehele onderzoeksproces.
Prompt engineering voor onderzoek ( $\Sigma n = 38$ ): De vaardigheid om instructies te formuleren, te verfijnen en te contextualiseren om AI-systemen te sturen naar betrouwbare outputs. Dit omvat iteratieve verfijning en het specificeren van context en doelstellingen.
Reproduceerbaarheid en rapportage van AI-gebruik ( $\Sigma n = 29$ ): De praktijk van het documenteren van prompts, modelversies, configuraties en validatieprocedures om transparantie te waarborgen en replicatie van AI-ondersteunde stappen mogelijk te maken.
Methodologisch en experimenteel ontwerp met AI ( $\Sigma n = 20$ ): Het vermogen om AI te integreren in de onderzoeksplanning, inclusief het definiëren van beperkingen, workflows en validatieprocedures die rekening houden met de sterktes en beperkingen van AI.
AI-geletterdheid en technische kennis ( $\Sigma n = 16$ ): Begrip van de mogelijkheden, beperkingen, risico's en technische kenmerken van AI. Het artikel merkt op dat dit expliciet als risicofactor wordt geïdentificeerd wanneer het ontbreekt, maar minder prevalent is dan domeinspecifiek toezicht.
Data-analyse en interpretatie met AI ( $\Sigma n = 7$ ): Het gebruik van AI om kwantitatieve/kwalitatieve analyse te ondersteunen (bijv. codegeneratie, patroonherkenning), terwijl de menselijke verantwoordelijkheid voor het interpreteren van resultaten en het valideren van de analytische kwaliteit behouden blijft.

Betekenis en Claims
De auteurs stellen dat het voorbereiden van onderzoekers op LLM's meer vereist dan technische training; het vereist een geïntegreerd pakket van epistemische, ethische en methodologische competenties die gecentreerd zijn rond menselijke verantwoording.

Epistemische verschuiving: De bevindingen suggereren dat LLM's de epistemische fundamenten van onderzoek niet veranderen. In plaats van de verantwoordelijkheid over te dragen aan AI, moeten onderzoekers oordelen over wanneer ze AI gebruiken, hoe ze outputs valideren en onder welke omstandigheden ze gegenereerde inhoud incorporeren.
Herverdeling van expertise: De uitdaging is niet het verkrijgen van outputs, maar het besturen en integreren ervan. De prominentie van domeinexpertise en toezicht geeft aan dat traditionele onderzoeksstrengheid de primaire waarborg blijft tegen AI-fouten (bijv. hallucinaties, bias).
Educatieve implicaties: Het artikel betoogt dat het promotieonderwijs moet evolueren om deze competenties expliciet op te nemen. Training moet verder gaan dan het gebruik van tools en zich richten op kritische evaluatie, ethische besluitvorming en het handhaven van wetenschappelijke integriteit in AI-gemedieerde workflows.

De studie concludeert door te pleiten voor toekomstig onderzoek naar de wijze waarop deze competenties zich manifesteren in verschillende disciplines en hoe ze kunnen worden beoordeeld en ondersteund via institutionele richtlijnen.

Meer zoals dit